CN117114502A - 空气质量反弹情况预测方法、终端及存储介质 - Google Patents
空气质量反弹情况预测方法、终端及存储介质 Download PDFInfo
- Publication number
- CN117114502A CN117114502A CN202311223795.8A CN202311223795A CN117114502A CN 117114502 A CN117114502 A CN 117114502A CN 202311223795 A CN202311223795 A CN 202311223795A CN 117114502 A CN117114502 A CN 117114502A
- Authority
- CN
- China
- Prior art keywords
- data
- index
- air quality
- data segment
- rebound
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000003915 air pollution Methods 0.000 claims abstract description 22
- 239000003570 air Substances 0.000 claims description 315
- 239000003344 environmental pollutant Substances 0.000 claims description 86
- 231100000719 pollutant Toxicity 0.000 claims description 86
- 239000000356 contaminant Substances 0.000 claims description 40
- 238000012937 correction Methods 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 21
- 238000011109 contamination Methods 0.000 claims description 16
- 239000012080 ambient air Substances 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 17
- 238000012544 monitoring process Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000007613 environmental effect Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 230000000630 rising effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种空气质量反弹情况预测方法、终端及存储介质。该方法包括:获取目标城市包括空气质量指数数据、空气污染的六项指标数据和气象数据的历史数据;确定每条空气质量指数数据对应的空气质量等级以对历史数据进行分段;根据相邻两个数据段中的六项指标数据计算每个数据段相对前一数据段的空气质量综合指数变化量作为每个数据段对应的空气质量反弹指数;根据每个数据段中的气象数据计算每个数据段对应的气象条件数据以构成案例库;将案例库中与预测空气质量等级和预测气象条件最相似的数据段对应的空气质量反弹指数作为目标城市的预测空气质量反弹指数。本发明所需数据量小,而且能够更准确的预测目标城市的空气质量反弹情况,适用性高。
Description
技术领域
本发明涉及空气质量预测技术领域,尤其涉及一种空气质量反弹情况预测方法、终端及存储介质。
背景技术
空气是地球上生物赖以生存的物质,对人类的生存和生产有重要影响。近年来,由于社会的进步和工业的快速发展导致了大量的空气污染问题,直接危害着人们的身体健康。尤其在秋冬季节气象扩散条件不佳的情况下,人为活动产生的大气污染会积累并扩散,形成大区域大范围的污染事件,进而导致空气质量大幅反弹,既不利于公众身体健康,又影响城市空气质量年度考核目标的完成。因此,精准预测尤其是秋冬季的空气质量反弹情况变得尤为重要。
空气质量数据一般主要来自当地环保部门建立的空气质量监测站点的实时监测数据。现有的空气质量预测方法一般可以分为基于数值模型的方法和基于机器学习的方法。目前,已有许多研究者利用空气质量模型和机器学习的方法对空气质量进行预测。黄红娟等利用CMAQ和CAMx两个第三代空气质量模型、颗粒物臭氧神经网络预测模型以及卫星遥感气溶胶反演模型等,对颗粒物和臭氧进行预测;王敬昌等使用在线多核回归模型对城市监测站点空气质量进行预测;张可佳等提出了基于元学习和图注意力时空神经网络的空气质量预测方法。
然而,基于数值模型预测空气质量的方法对数据集质量要求极高,计算量大、用时长,且空气污染排放源数据的收集也很难做到全面、真实,因此该方法在实际应用中预测准确性不如预期,且需要专业人员依据实际场景调整相关参数,泛化能力较差。基于机器学习的方法往往需要以大量历史空气质量数据为模型训练基础来提高预测准确度,另外可能还需要计算机编码、建模等,对人员专业技术能力要求较高,实现难度也较大。因此,在应用到空气质量反弹情况预测时均难以达到预期效果。
发明内容
本发明实施例提供了一种空气质量反弹情况预测方法、终端及存储介质,以解决目前对空气质量反弹情况预测时效果难以达到预期的问题。
第一方面,本发明实施例提供了一种空气质量反弹情况预测方法,包括:
获取目标城市的历史数据,所述历史数据包括空气质量指数数据、空气污染的六项指标数据和气象数据;
确定每条空气质量指数数据对应的空气质量等级,并根据所述空气质量等级对所述历史数据进行分段;
根据相邻两个数据段中的六项指标数据,计算每个数据段相对前一数据段的空气质量综合指数变化量,作为每个数据段对应的空气质量反弹指数;
根据每个数据段中的气象数据,计算每个数据段对应的气象条件数据;
根据每个数据段和每个数据段对应的空气质量等级、空气质量反弹指数和气象条件数据构成案例库;
将所述案例库中与预测空气质量等级和预测气象条件最相似的数据段对应的空气质量反弹指数作为目标城市的预测空气质量反弹指数。
在一种可能的实现方式中,所述根据相邻两个数据段中的六项指标数据,计算每个数据段相对前一数据段的空气质量综合指数变化量,包括:
根据相邻两个数据段中的六项指标数据中的每项指标数据,计算每个数据段中的每项指标对应的污染物相对前一数据段中的相应指标对应的污染物的浓度分指数变化量;
根据每个数据段中的每项指标对应的污染物的浓度分指数变化量,计算每个数据段相对前一数据段的空气质量综合指数变化量。
在一种可能的实现方式中,所述根据相邻两个数据段中的六项指标数据中的每项指标数据,计算每个数据段中的每项指标对应的污染物相对前一数据段中的相应指标对应的污染物的浓度分指数变化量,包括:
根据计算每个数据段中的每项指标对应的污染物相对前一数据段中的相应指标对应的污染物的浓度分指数变化量;
其中,Δi为每个数据段中的每项指标对应的污染物i相对前一数据段中的相应指标对应的污染物i的浓度分指数变化量,i=1,2,…6,每个i对应污染物PM10、PM2.5、SO2、NO2、CO、O3中的一种,Ci1为从第一个数据段中第一条污染物i的指标数据到每个数据段中最后一条污染物i的指标数据的均值,Ci0为从第一个数据段中第一条污染物i的指标数据到前一数据段中最后一条污染物i的指标数据的均值,Si为环境空气质量标准中关于污染物i的二级浓度限值。
在一种可能的实现方式中,所述根据每个数据段中的每项指标对应的污染物的浓度分指数变化量,计算每个数据段相对前一数据段的空气质量综合指数变化量,包括:
根据计算每个数据段相对前一数据段的空气质量综合指数变化量;
其中,ΔIn为每个数据段相对前一数据段的空气质量综合指数变化量。
在一种可能的实现方式中,在根据相邻两个数据段中的六项指标数据,计算每个数据段相对前一数据段的空气质量综合指数变化量,作为每个数据段对应的空气质量反弹指数之后,还包括:
根据每个数据段中的六项指标数据中的各项主要指标数据的变化趋势,确定每个数据段是否出现区域性污染;
按照每个数据段中出现区域性污染的持续天数,对各个数据段中出现的区域性污染进行分类,并统计每类区域性污染出现的总次数;
根据每类区域性污染出现的总次数以及每类区域性污染中数据段对应的空气质量反弹指数大于第一预设阈值的次数,计算每类区域性污染的反弹概率;
在某类区域性污染的反弹概率大于第二预设阈值时,将该类区域性污染记为目标类区域性污染,并根据该目标类区域性污染的反弹概率计算该目标类区域性污染的修正系数;
所述根据相邻两个数据段中的六项指标数据,计算每个数据段相对前一数据段的空气质量综合指数变化量,包括:
若某个数据段出现区域性污染且属于某一目标类区域性污染,则根据该目标类区域性污染的修正系数、该数据段中的六项指标数据和该数据段的前一数据段中的六项指标数据,计算该数据段相对前一数据段的空气质量综合指数变化量。
在一种可能的实现方式中,所述根据每个数据段中的六项指标数据中的各项主要指标数据的变化趋势,确定每个数据段是否出现区域性污染,包括:
针对每个数据段,判断该数据段是否满足预设条件且满足所述预设条件的持续时间大于1天;所述预设条件为数据段中的六项指标数据中至少一项主要指标数据呈升高趋势,且数据段中的空气质量指数数据或任一项主要指标数据大于空气质量等级对应轻度污染时的对应的数据限值;
若该数据段满足所述预设条件且所述持续时间大于1天,则判断目标城市周边的多个城市在目标时段内是否满足所述预设条件,所述目标时段为与所述持续时间相同或与所述持续时间前后存在设定范围的时差的时段;
若目标城市周边的多个城市在目标时段内满足所述预设条件,则确定该数据段出现区域性污染。
在一种可能的实现方式中,所述根据该目标类区域性污染的反弹概率计算该目标类区域性污染的修正系数,包括:
根据计算该目标类区域性污染的修正系数;
其中,Wj为第j个目标类区域性污染的修正系数,Pj为第j个目标类区域性污染的反弹概率。
在一种可能的实现方式中,所述根据该目标类区域性污染的修正系数、该数据段中的六项指标数据和该数据段的前一数据段中的六项指标数据,计算该数据段相对前一数据段的空气质量综合指数变化量,包括:
根据该数据段中的六项指标数据中的每项指标数据和前一数据段中的六项指标数据中的每项指标数据,计算该数据段中的每项指标对应的污染物相对前一数据段中的相应指标对应的污染物的浓度分指数变化量;
根据该目标类区域性污染的修正系数对该数据段中的各项主要指标对应的污染物的浓度分指数变化量进行修正,获得该数据段中的每项主要指标对应的污染物的修正浓度分指数变化量;
根据该数据段中的每个修正浓度分指数变化量,以及该数据段中的六项指标中除各项主要指标之外的其他指标对应的污染物的浓度分指数变化量,计算该数据段相对前一数据段的空气质量综合指数变化量。
第二方面,本发明实施例提供了一种终端,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,执行如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第三方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种空气质量反弹情况预测方法、终端及存储介质,通过先获取目标城市包括空气质量指数数据、空气污染的六项指标数据和气象数据的历史数据;然后确定每条空气质量指数数据对应的空气质量等级,并根据空气质量等级对历史数据进行分段;然后根据相邻两个数据段中的六项指标数据,计算每个数据段相对前一数据段的空气质量综合指数变化量,作为每个数据段对应的空气质量反弹指数;并根据每个数据段中的气象数据,计算每个数据段对应的气象条件数据;进而根据每个数据段和每个数据段对应的空气质量等级、空气质量反弹指数和气象条件数据构成案例库。一方面相对于以往空气质量预测需要空气质量监测数据、气象数据、当地污染源排放信息等各种数据,本发明仅需空气质量监测数据(即空气质量指数数据和空气污染的六项指标数据)和气象数据,所需数据量少。另一方面,基于本发明构建的案例库,可以通过简单的计算获得目标城市与空气质量反弹情况的对应关系,从而在需要对目标城市进行空气质量反弹情况预测时,将案例库中与预测空气质量等级和预测气象条件最相似的数据段对应的空气质量反弹指数作为目标城市的预测空气质量反弹指数,不仅实现难度小,而且基于目标城市与空气质量反弹情况的对应关系进行预测更准确,并且适用性高,对于任何城市、任何环境空气数据分析人员均适用,尤其对于秋冬季不同等级污染过程后的空气质量反弹情况预测具有重要意义。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的空气质量反弹情况预测方法的实现流程图;
图2是本发明实施例提供的空气质量反弹情况预测装置的结构示意图;
图3是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
参见图1,其示出了本发明实施例提供的空气质量反弹情况预测方法的实现流程图,详述如下:
在步骤101中,获取目标城市的历史数据,历史数据包括空气质量指数数据、空气污染的六项指标数据和气象数据。
其中,目标城市可以为任意一个需要进行空气质量反弹情况预测的城市,对于目标城市来说,为了对其进行空气质量反弹情况预测,需要获取该城市历年来的空气质量指数(Air Quality Index,AQI)数据、空气污染的六项指标数据和相关的气象数据。
其中,空气污染的六项指标又称为环保空气监测六参数或空气站标准六参数,具体即污染物PM10、PM2.5、SO2、NO2、CO、O3的监测数据。
其中,根据需要预测的时间长短或精度,可以获取AQI数据的日数据、六项指标数据的日数据集和气象数据的日数据,或者获取AQI数据的小时数据、六项指标数据的小时数据和气象数据的小时数据。一般情况下,在获取AQI数据的日数据、六项指标数据的日数据集和气象数据的日数据时,可以将历年来每年的日数据作为一个历史数据集合,后续根据空气质量等级对历史数据进行分段时,针对每年的历史数据进行分段,当数据从前一年跨越到后一年时,则重新分段。例如2013年的数据划分为了100段,即使按照规则2013年12月31日的数据与2014年1月1日的数据属于同一段,也从2014年1月1日起重新分段。获取AQI数据的小时数据、六项指标数据的小时数据和气象数据的小时数据时类似,即将每天的数据作为一个历史数据集合,分段时针对每天的数据进行分段,当数据从前一天跨越到后一天时,则从后一天的1点重新分段。
示例性的,当需要预测未来几小时内的空气质量反弹情况时,可以基于AQI数据的小时数据、六项指标数据的小时数据和气象数据的小时数据进行。当需要预测未来某天或几天的空气质量反弹情况时,可以基于AQI数据的日数据、六项指标数据的日数据集和气象数据的日数据。
在步骤102中,确定每条空气质量指数数据对应的空气质量等级,并根据空气质量等级对历史数据进行分段。
本实施例中,在获取AQI数据的小时数据、六项指标数据的小时数据和气象数据的小时数据后,或者获取AQI数据的日数据、六项指标数据的日数据集和气象数据的日数据后,可以按AQI数据对相应时间的城市空气质量等级进行划分。一般情况下,划分规则可以为:AQI≤50划为1级(优),50<AQI≤100划为2级(良),100<AQI≤150划为3级(轻度污染),150<AQI≤200划为4级(中度污染),AQI>200划为5级(重度及以上污染)。
其中,在获取AQI数据的小时数据、六项指标数据的小时数据和气象数据的小时数据时,即根据每小时的AQI数据,确定每小时对应的空气质量等级。在获取AQI数据的日数据、六项指标数据的日数据集和气象数据的日数据时,即根据每天的AQI数据,确定每天对应的空气质量等级。确定目标城市的历史数据中每天对应的空气质量等级或每小时对应的空气质量等级后,可以按照空气质量等级对所有历史数据进行分段。
在按照空气质量等级对所有历史数据进行分段时,一般情况下,可以将相同空气质量等级的历史数据划分为一段。例如,1点-6点的空气质量等级均为2级,也即空气质量等级为良,则可以将1点-6点的AQI数据、六项指标数据和气象数据划分为一段。或者某年10月15日-10月20日的空气质量等级均为3级,也即空气质量等级为轻度污染,则可以将10月15日-10月20日的AQI数据、六项指标数据和气象数据划分为一段。
特殊情况下,例如连续多天或连续多小时的空气质量等级中,大部分时间段的空气质量等级均为同一等级(可以将该等级作为基本等级),中间有少部分时间段(例如1-2天或1-2小时)的空气质量等级比基本等级高一级或低一级,此时可以将少部分时间段的空气质量等级更新为大部分时间段对应的基本等级,并将该连续多天或连续多小时的AQI数据、六项指标数据和气象数据划分为一段。或者若连续多天或多小时为AQI>150的4-5级污染天,也可以连续标记,将其标记为4级或5级中时间较长的那个级别。例如连续10天中,有3天的空气质量等级为4级,有7天的空气质量等级为5级,则可以将这10天的空气质量等级标记为5级,并将这10天的AQI数据、六项指标数据和气象数据划分为一段。AQI数据为小时数据的情况可以参考AQI数据为日数据的情况。
在此基础上,为了便于区分,在确定每条空气质量指数数据对应的空气质量等级后,还可以将不同空气质量等级的历史数据用不同的颜色进行标记。
在步骤103中,根据相邻两个数据段中的六项指标数据,计算每个数据段相对前一数据段的空气质量综合指数变化量,作为每个数据段对应的空气质量反弹指数。
本实施例中,在对所有历史数据进行分段后,可以从第一个数据段到最后一个数据段,依次计算其对应的空气质量综合指数变化量。
其中,空气质量综合指数是指对城市空气质量进行评价、排名的一种工具,通过计算空气污染的六项指标对应的各污染物的单项指数之和得到。各污染物i的单项指数为其中,Ci为污染物i的浓度,当污染物i为PM10、PM2.5、SO2、NO2时,Ci为污染物i的月平均浓度,当污染物i为CO和O3时,Ci为污染物i相应的百分位数浓度值,Si为环境空气质量标准中关于污染物i的二级浓度限值。
本实施例中,考虑到空气质量综合指数可以评价城市空气质量,因此可以通过空气质量综合指数变化量来衡量空气质量的变化情况,也就可以利用空气质量综合指数变化量来衡量后一数据段相对前一数据段的空气质量反弹情况。因此,根据相邻两个数据段中的六项指标数据,计算每个数据段相对前一数据段的空气质量综合指数变化量,作为每个数据段对应的空气质量反弹指数。
在步骤104中,根据每个数据段中的气象数据,计算每个数据段对应的气象条件数据。
本实施例中,为了使后续空气质量反弹情况预测更准确,除了考虑空气质量指数数据、空气污染的六项指标数据等空气质量监测数据外,还考虑可能影响空气质量的气象数据。其中,在步骤102对历史数据进行分段时,也对历史数据中的气象数据进行分段,因此,从第一个数据段到最后一个数据段,依次计算每个数据段中的气象数据对应的气象条件数据,从而结合气象条件数据进行后续的空气质量反弹情况预测。
示例性的,气象数据可以包括相对湿度、边界层高度、风速、风向等,其中边界层高度为全球资料数据(final reanalysis data,FNL),即每隔6小时一次的格点数据,一天包含2时、8时、14时、20时四个时刻的数据。相对湿度、边界层高度、风速、风向对应的气象条件数据的计算方式可以为:
相对湿度(RH)=每个数据段内所有天小时湿度数据的平均值。
边界层高度(BLH)=每个数据段内所有天4个时刻的边界层高度数据的平均值;
风速(WS)=每个数据段内所有天小时风速数据的平均值。
风向(WD)=每个数据段内所有天出现频次最高的风向。
如果还考虑其他气象数据,则可以按照其他气象数据计算相应的气象条件数据,本实施例并不对气象数据的种类进行限定。
需要说明的是,步骤103计算每个数据段相对前一数据段的空气质量综合指数变化量和本步骤104计算气象条件数据可以同时进行,也可以先计算步骤103再计算步骤104,还可以先计算步骤104再计算步骤103,本实施例对步骤103和步骤104具体的执行顺序不做限定。
在步骤105中,根据每个数据段和每个数据段对应的空气质量等级、空气质量反弹指数和气象条件数据构成案例库。
本实施例中,通过目标城市的历史数据、历史数据中每个数据段对应的空气质量等级、空气质量反弹指数和气象条件数据构成案例库,从而挖掘空气质量反弹指数与空气质量等级、气象条件数据的关系,以便于后续基于案例库进行空气质量反弹情况预测。
需要说明的是,随着时间的变化,还可以实时获取最新的空气质量指数数据、空气污染的六项指标数据和气象数据,以基于最新的空气质量指数数据、空气污染的六项指标数据和气象数据更新案例库。
在步骤106中,将案例库中与预测空气质量等级和预测气象条件最相似的数据段对应的空气质量反弹指数作为目标城市的预测空气质量反弹指数。
本实施例中,当需要预测目标城市的空气质量反弹情况时,可以获取目标城市的预测空气质量指数数据和预测气象数据,从而确定目标城市的预测空气质量等级和预测气象条件,然后查找案例库中与预测空气质量等级和预测气象条件最相似的数据段,并将该数据段对应的空气质量反弹指数作为目标城市的预测空气质量反弹指数。
其中,为了使预测效果更好,查找案例库中与预测空气质量等级和预测气象条件最相似的数据段可以为查找案例库中与预测空气质量等级相同,且与预测气象条件相同或相似的数据段。
本发明实施例通过先获取目标城市包括空气质量指数数据、空气污染的六项指标数据和气象数据的历史数据;然后确定每条空气质量指数数据对应的空气质量等级,并根据空气质量等级对历史数据进行分段;然后根据相邻两个数据段中的六项指标数据,计算每个数据段相对前一数据段的空气质量综合指数变化量,作为每个数据段对应的空气质量反弹指数;并根据每个数据段中的气象数据,计算每个数据段对应的气象条件数据;进而根据每个数据段和每个数据段对应的空气质量等级、空气质量反弹指数和气象条件数据构成案例库。一方面相对于以往空气质量预测需要空气质量监测数据、气象数据、当地污染源排放信息等各种数据,本发明仅需空气质量监测数据(即空气质量指数数据和空气污染的六项指标数据)和气象数据,所需数据量少。另一方面,基于本发明构建的案例库,可以通过简单的计算获得目标城市与空气质量反弹情况的对应关系,从而在需要对目标城市进行空气质量反弹情况预测时,将案例库中与预测空气质量等级和预测气象条件最相似的数据段对应的空气质量反弹指数作为目标城市的预测空气质量反弹指数,不仅实现难度小,而且基于目标城市与空气质量反弹情况的对应关系进行预测更准确,并且适用性高,对于任何城市、任何环境空气数据分析人员均适用,尤其对于秋冬季不同等级污染过程后的空气质量反弹情况预测具有重要意义。
可选的,根据相邻两个数据段中的六项指标数据,计算每个数据段相对前一数据段的空气质量综合指数变化量,可以包括:
根据相邻两个数据段中的六项指标数据中的每项指标数据,计算每个数据段中的每项指标对应的污染物相对前一数据段中的相应指标对应的污染物的浓度分指数变化量。
根据每个数据段中的每项指标对应的污染物的浓度分指数变化量,计算每个数据段相对前一数据段的空气质量综合指数变化量。
本实施例中,结合空气质量综合指数的计算方法,空气质量综合指数变化量的计算过程也可以分为两步,即首先计算空气污染的六项指标数据中每项指标对应的污染物的浓度分指数变化量,然后对各项指标对应的污染物的浓度分指数变化量求和得到空气质量综合指标变化量。
其中,由于变化量即两相比较的结果,因此,每项指标对应的污染物的浓度分指数变化量,可以通过计算每项指标对应的污染物在当前数据段的单项指数的平均值与在前一数据段的单项指数的平均值的差,获得相应的浓度分指数变化量。或者,为了突出体现变化情况,也可以计算每项指标对应的污染物在当前数据段的最大单项指数与在前一数据段的最小单项指数的差,获得相应的浓度分指数变化量。或者,为了使计算结果更加精准,还可以计算从第一个数据段到当前数据段的单项指数的平均值与从第一个数据段到前一数据段的单项指数的平均值的差,作为相应的浓度分指数变化量。或者根据实际情况,通过加权或其他筛选方式计算浓度分指数变化量,本实施例对此不做限定。
可选的,根据相邻两个数据段中的六项指标数据中的每项指标数据,计算每个数据段中的每项指标对应的污染物相对前一数据段中的相应指标对应的污染物的浓度分指数变化量,可以包括:
根据计算每个数据段中的每项指标对应的污染物相对前一数据段中的相应指标对应的污染物的浓度分指数变化量。
其中,Δi为每个数据段中的每项指标对应的污染物i相对前一数据段中的相应指标对应的污染物i的浓度分指数变化量,i=1,2,…6,每个i对应污染物PM10、PM2.5、SO2、NO2、CO、O3中的一种,Ci1为从第一个数据段中第一条污染物i的指标数据到每个数据段中最后一条污染物i的指标数据的均值,Ci0为从第一个数据段中第一条污染物i的指标数据到前一数据段中最后一条污染物i的指标数据的均值,Si为环境空气质量标准中关于污染物i的二级浓度限值。
本实施例中,即计算从第一个数据段到当前数据段的单项指数的平均值与从第一个数据段到前一数据段的单项指数的平均值的差,作为相应的浓度分指数变化量,该方法不仅计算方便快捷,而且可以使计算结果更加精准,从而提高后续空气质量反弹情况的预测效果。
示例性的,假如将一年的历史数据划分为了100个数据段,则计算第2个数据段中每项指标对应的污染物相对第1个数据段中相应指标对应的污染物的浓度分指数变化量时,若第1个数据段包括2天的数据,第2个数据段包括3天的数据,则Ci1为第1天到第5天的指标数据的均值,Ci0为第1天到第2天的指标数据的均值。假设第3个数据段包括5天的数据,若计算第3个数据段中每项指标对应的污染物相对第2个数据段中相应指标对应的污染物的浓度分指数变化量,则Ci1为第1天到第10天的指标数据的均值,Ci0为第1天到第5天的指标数据的均值,依次类推。其中,每天的每项指标数据可以根据实际要求确定,例如,每天的PM10、PM2.5、SO2、NO2指标数据可以为相应的日平均浓度数据,CO、O3指标数据可以为相应的百分位数浓度数据。
其中,Si为《环境空气质量标准》中关于污染物i的二级浓度限值,结合表1所示,示例性的,污染物i为PM10、PM2.5、SO2、NO2时,Si可以为《环境空气质量标准》中关于污染物i的年平均二级浓度限值。当污染物i为CO时,Si可以为《环境空气质量标准》中关于污染物i的日平均二级浓度限值。当污染物i为O3时,Si可以为《环境空气质量标准》中关于污染物i的日最大8小时平均二级浓度限值。
其中,当获取的历史数据为小时数据时,计算污染物的浓度分指数变化量的过程与上述过程类似,Si可以适应性变为《环境空气质量标准》中关于污染物i的1小时平均二级浓度限值,根据实际要求,计算O3的浓度分指数变化量时,由于O3的小时数据为8小时滑动平均数据,因此,Ci1可以为当前数据段中的多个8小时滑动平均数据的最大值,Ci0可以为前一数据段中多个8小时滑动平均数据的最大值。例如当8-12点为一个数据段,13-18点为一个数据段,由于从8点才开始有O3的8小时滑动平均数据,因此,Ci1为8点-18点共计11个8小时滑动平均数据中的最大值,Ci0为8点-12点共计5个8小时滑动平均数据中的最大值。假如数据段处于1-7点,也即O3还没有8小时滑动平均数据时,可以用O3的平均数据,即假如1-3点为一个数据段,4-7点为一个数据段,则Ci1为O3从1点-7点的浓度均值,Ci0为O3从1点-3点的浓度均值。
其中,表1给出了《环境空气质量标准》中关于污染物的浓度值的规定,其中的二级即二级浓度限值。其中,1小时平均指任何1小时污染物浓度的算术平均值。8小时平均指连续8小时平均浓度的算术平均值,也称8小时滑动平均。24小时平均指一个自然日24小时平均浓度的算术平均值,也称日平均。月平均指一个日历月内各日平均浓度的算术平均值。季平均是一个日历季内各日平均浓度的算术平均值。年平均指一个日历年内各日平均浓度的算术平均值。
表1
可选的,根据每个数据段中的每项指标对应的污染物的浓度分指数变化量,计算每个数据段相对前一数据段的空气质量综合指数变化量,可以包括:
根据计算每个数据段相对前一数据段的空气质量综合指数变化量。
其中,ΔIn为每个数据段相对前一数据段的空气质量综合指数变化量。
本实施例,即对每项指标对应的污染物的浓度分指数变化量求和,得到相应的空气质量综合指数变化量,以作为空气质量反弹指数,表征每个数据段相对前一数据段的空气质量反弹情况。
其中,按照本申请,若ΔIn大于0,则代表当前数据段相对前一数据段的空气质量出现反弹。
可选的,在根据相邻两个数据段中的六项指标数据,计算每个数据段相对前一数据段的空气质量综合指数变化量,作为每个数据段对应的空气质量反弹指数之后,还可以包括:
根据每个数据段中的六项指标数据中的各项主要指标数据的变化趋势,确定每个数据段是否出现区域性污染。
按照每个数据段中出现区域性污染的持续天数,对各个数据段中出现的区域性污染进行分类,并统计每类区域性污染出现的总次数。
根据每类区域性污染出现的总次数以及每类区域性污染中数据段对应的空气质量反弹指数大于第一预设阈值的次数,计算每类区域性污染的反弹概率。
在某类区域性污染的反弹概率大于第二预设阈值时,将该类区域性污染记为目标类区域性污染,并根据该目标类区域性污染的反弹概率计算该目标类区域性污染的修正系数。
相应的,根据相邻两个数据段中的六项指标数据,计算每个数据段相对前一数据段的空气质量综合指数变化量,可以包括:
若某个数据段出现区域性污染且属于某一目标类区域性污染,则根据该目标类区域性污染的修正系数、该数据段中的六项指标数据和该数据段的前一数据段中的六项指标数据,计算该数据段相对前一数据段的空气质量综合指数变化量。
本实施例中,考虑到发生大范围区域性污染时,往往持续时间更长,对空气质量影响更大,而且城市间互相影响、污染消散慢,更容易出现空气质量反弹。因此,识别历史数据中出现区域性污染的情况,并识别相对前一数据段的空气质量出现反弹的区域性污染,以根据区域性污染导致空气质量反弹的概率确定是否对相应的空气质量反弹指数进行修正以及如何对相应的空气质量反弹指数进行修正,使其更能代表出现区域性污染时的空气质量反弹情况。
其中,在确定如何对相应的空气质量反弹指数进行修正时,考虑区域性污染导致空气质量反弹的概率不同的情况应按不同的方式进行修正。因此,可以先对出现的区域性污染进行分类,例如,按出现区域性污染的持续天数进行分类。然后,计算每类区域性污染的反弹概率。
示例性的,在计算每类区域性污染的反弹概率时,可以先统计每类区域性污染出现的总次数,然后统计每类区域性污染中数据段对应的空气质量反弹指数大于第一预设阈值的次数,进而根据每类区域性污染出现的总次数以及每类区域性污染中数据段对应的空气质量反弹指数大于第一预设阈值的次数计算每类区域性污染的反弹概率。其中,由于数据段对应的空气质量反弹指数ΔIn大于0代表当前数据段相对前一数据段的空气质量出现反弹,因此,第一预设阈值可以为0。在此基础上,当反弹概率较大时,也即某类区域性污染中,ΔIn大于0的次数较多时,也即反弹概率大于第二预设阈值时,认为需要对其空气质量反弹指数进行修正。因此,基于该类区域性污染(即该目标类区域性污染)的反弹概率计算其修正系数。
示例性的,假如对所有数据段进行区域性污染判断后,确定有10个数据段出现区域性污染,其中有2个数据段出现区域性污染的持续天数为2天,其中1个数据段对应的空气质量反弹指数ΔIn大于0。有2个数据段出现区域性污染的持续天数有3天,这2个数据段对应的空气质量反弹指数ΔIn均小于或等于0。有6个数据段出现区域性污染的持续天数有5天,其中5个数据段对应的空气质量反弹指数ΔIn大于0。则按照出现区域性污染的持续天数,可以将区域性污染分为持续天数为2天的区域性污染、持续天数为3天的区域性污染和持续天数为5天的区域性污染。。
此时,可以根据计算每类区域性污染的反弹概率。
其中:Pj为持续天数为j天的区域性污染的反弹概率,Nj为持续天数为j天的区域性污染中数据段对应的空气质量反弹指数大于设定阈值的次数,N为持续天数为j天的区域性污染出现的总次数。
结合上述示例,则持续天数为2天的反弹概率为0.5,持续天数为3天的区域性污染的反弹概率为0,持续天数为5天的区域性污染的反弹概率为5/6。
本实施例中计算每类区域性污染的反弹概率的方法方便快捷,而且对于每类区域性污染来说,数据段对应的空气质量反弹指数大于设定阈值的次数越多,反弹概率越大。进而在反弹概率大于第二预设阈值时,确定对应的修正系数,以对空气质量反弹指数也即空气质量综合指数变化量进行修正。
示例性的,根据实际情况,可以将第二预设阈值设定为0.4、0.5或0.6等值,本实施例对第二预设阈值不做具体限定。
在此基础上,在确定数据段出现区域性污染后,可以对数据段进行区域性污染标记,以便于后续构成案例库后,基于具有区域性污染标记的案例库进行空气质量反弹情况预测。
相应的,在后续进行空气质量反弹情况预测时,当根据预测的AQI数据确定未来的时段内可能出现区域性污染时,从案例库中标记为区域性污染的数据段中,查找与预测空气质量等级和预测气象条件最相似的数据段对应的空气质量反弹指数作为目标城市的预测空气质量反弹指数。例如查找与预测空气质量等级相同,且与预测气象条件相同或相似的数据段对应的空气质量反弹指数作为目标城市的预测空气质量反弹指数。
本实施例在根据相邻两个数据段中的六项指标数据,计算每个数据段相对前一数据段的空气质量综合指数变化量,作为每个数据段对应的空气质量反弹指数之后,还判断每个数据段是否出现区域性污染,以便于构建具有区域性污染标记的案例库,进而使案例库适用于具有区域性污染特征的空气质量反弹情况预测,从而更适用于城市秋冬季节的空气质量反弹情况预测,并使预测结果更加准确。
可选的,根据每个数据段中的六项指标数据中的各项主要指标数据的变化趋势,确定每个数据段是否出现区域性污染,可以包括:
针对每个数据段,判断该数据段是否满足预设条件且满足预设条件的持续时间大于1天;预设条件为数据段中的六项指标数据中至少一项主要指标数据呈升高趋势,且数据段中的空气质量指数数据或任一项主要指标数据大于空气质量等级对应轻度污染时的对应的数据限值。
若该数据段满足预设条件且持续时间大于1天,则判断目标城市周边的多个城市在目标时段内是否满足预设条件,目标时段为与持续时间相同或与持续时间前后存在设定范围的时差的时段。
若目标城市周边的多个城市在目标时段内满足预设条件,则确定该数据段出现区域性污染。
本实施例给出了确定每个数据段是否出现区域性污染的一种示例。其中,结合空气污染的六项指标中各项指标对区域性污染的影响,可以确定空气污染的六项指标中对区域性污染影响较大的主要指标一般为PM10、PM2.5、NO2、CO。因此可以根据PM10、PM2.5、NO2、CO中至少一种污染物的浓度的变化趋势,确定数据段是否出现区域性污染。
例如,当PM10、PM2.5、NO2、CO中至少一种污染物的浓度呈升高趋势,且AQI>100并持续1天以上,则可以初步确定该数据段出现区域性污染。然后再判断目标城市周边的至少3个城市中,在同一时段相应的污染物的浓度是否也呈升高趋势,若目标城市周边的至少3个城市中,在同一时段相应的污染物的浓度也呈升高趋势,则可以确定该数据段出现区域性污染。
其中,当PM10、PM2.5、NO2、CO中至少一种污染物的浓度呈升高趋势时,若不判断AQI,当呈升高趋势的污染物为PM10时,还可以判断PM10是否大于150μg/m3。当呈升高趋势的污染物为PM2.5时,还可以判断PM2.5是否大于75μg/m3。当呈升高趋势的污染物为NO2时,还可以判断NO2是否大于40μg/m3。当呈升高趋势的污染物为CO时,还可以判断CO是否大于4mg/m3。
其中,在判断目标城市与周边多个城市的污染情况是否同步时,周边城市可以与目标城市的开始时间和结束时间相同,也可以与目标城市的开始时间和结束时间前后存在设定范围的时差。例如周边城市的主要指标呈升高趋势的开始时间与目标城市前后存在2-3小时的时间差,或者周边城市的主要指标呈升高趋势的结束时间(例如AQI≤100时)与目标城市前后存在2-3小时的时间差。
可选的,根据该目标类区域性污染的反弹概率计算该目标类区域性污染的修正系数,可以包括:
根据计算该目标类区域性污染的修正系数。
其中,Wj为第j个目标类区域性污染的修正系数,Pj为第j个目标类区域性污染的反弹概率。
本实施例中,在某类区域性污染的反弹概率大于第二预设阈值时,将该类区域性污染记为目标类区域性污染,并根据计算该目标类区域性污染的修正系数,从而利用修正系数对属于相应的目标类区域性污染的数据段对应的空气质量反弹指数进行修正,也更准确的表征数据段的空气质量反弹情况。
可选的,根据该目标类区域性污染的修正系数、该数据段中的六项指标数据和该数据段的前一数据段中的六项指标数据,计算该数据段相对前一数据段的空气质量综合指数变化量,可以包括:
根据该数据段中的六项指标数据中的每项指标数据和前一数据段中的六项指标数据中的每项指标数据,计算该数据段中的每项指标对应的污染物相对前一数据段中的相应指标对应的污染物的浓度分指数变化量。
根据该目标类区域性污染的修正系数对该数据段中的各项主要指标对应的污染物的浓度分指数变化量进行修正,获得该数据段中的每项主要指标对应的污染物的修正浓度分指数变化量。
根据该数据段中的每个修正浓度分指数变化量,以及该数据段中的六项指标中除各项主要指标之外的其他指标对应的污染物的浓度分指数变化量,计算该数据段相对前一数据段的空气质量综合指数变化量。
本实施例中,即根据计算属于某目标类区域性污染的数据段相对前一数据段的空气质量综合指数变化量。其中,考虑到秋冬季区域性污染事件对SO2、O3的影响较小,因此两者权重不变,Δ5、Δ6可以对应污染物SO2、O3相对前一数据段中的污染物SO2、O3的浓度分指数变化量。Δ1-Δ4则可以对应污染物PM10、PM2.5、NO2、CO相对前一数据段中的污染物PM10、PM2.5、NO2、CO的浓度分指数变化量,Wj为数据段所属的第j个目标类区域性污染的修正系数。
示例性的,假如某个数据段属于持续天数为5天的区域性污染,则根据持续天数为5天的区域性污染的修正系数修正该数据段中污染物PM10、PM2.5、NO2、CO相对前一数据段中的污染物PM10、PM2.5、NO2、CO的浓度分指数变化量,进而得到该数据段相对前一数据段的空气质量综合指数变化量。
本发明实施例考虑秋冬季容易出现区域性污染的特点,根据每个数据段中的六项指标数据中的各项主要指标数据的变化趋势,确定每个数据段是否出现区域性污染,进而便于建立具有区域性污染标签的案例库。在此基础上,通过按照每个数据段中出现区域性污染的持续天数,对各个数据段中出现的区域性污染进行分类,并统计每类区域性污染出现的总次数,根据每类区域性污染出现的总次数和以及每类区域性污染中数据段对应的空气质量反弹指数大于第一预设阈值的次数,计算每类区域性污染的反弹概率,在某类区域性污染的反弹概率大于第二预设阈值时,将该类区域性污染记为目标类区域性污染,并根据该目标类区域性污染的反弹概率计算该目标类区域性污染的修正系数。计算方便快捷且适用性较高,尤其适用于秋冬季不同等级污染过程后的空气质量反弹预测,并且对于任何城市、任何环境空气数据分析人员均能适用。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图2示出了本发明实施例提供的空气质量反弹情况预测装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图2所示,空气质量反弹情况预测装置包括:获取模块21、分段模块22、第一处理模块23、第二处理模块24、第三处理模块25和预测模块26。
获取模块21,用于获取目标城市的历史数据,所述历史数据包括空气质量指数数据、空气污染的六项指标数据和气象数据;
分段模块22,用于确定每条空气质量指数数据对应的空气质量等级,并根据所述空气质量等级对所述历史数据进行分段;
第一处理模块23,用于根据相邻两个数据段中的六项指标数据,计算每个数据段相对前一数据段的空气质量综合指数变化量,作为每个数据段对应的空气质量反弹指数;
第二处理模块24,用于根据每个数据段中的气象数据,计算每个数据段对应的气象条件数据;
第三处理模块25,根据每个数据段和每个数据段对应的空气质量等级、空气质量反弹指数和气象条件数据构成案例库;
预测模块26,用于将所述案例库中与预测空气质量等级和预测气象条件最相似的数据段对应的空气质量反弹指数作为目标城市的预测空气质量反弹指数。
本发明实施例通过先获取目标城市包括空气质量指数数据、空气污染的六项指标数据和气象数据的历史数据;然后确定每条空气质量指数数据对应的空气质量等级,并根据空气质量等级对历史数据进行分段;然后根据相邻两个数据段中的六项指标数据,计算每个数据段相对前一数据段的空气质量综合指数变化量,作为每个数据段对应的空气质量反弹指数;并根据每个数据段中的气象数据,计算每个数据段对应的气象条件数据;进而根据每个数据段和每个数据段对应的空气质量等级、空气质量反弹指数和气象条件数据构成案例库。一方面相对于以往空气质量预测需要空气质量监测数据、气象数据、当地污染源排放信息等各种数据,本发明仅需空气质量监测数据(即空气质量指数数据和空气污染的六项指标数据)和气象数据,所需数据量少。另一方面,基于本发明构建的案例库,可以通过简单的计算获得目标城市与空气质量反弹情况的对应关系,从而在需要对目标城市进行空气质量反弹情况预测时,将案例库中与预测空气质量等级和预测气象条件最相似的数据段对应的空气质量反弹指数作为目标城市的预测空气质量反弹指数,不仅实现难度小,而且基于目标城市与空气质量反弹情况的对应关系进行预测更准确,并且适用性高,对于任何城市、任何环境空气数据分析人员均适用,尤其对于秋冬季不同等级污染过程后的空气质量反弹情况预测具有重要意义。
在一种可能的实现方式中,第一处理模块23,可以用于根据相邻两个数据段中的六项指标数据中的每项指标数据,计算每个数据段中的每项指标对应的污染物相对前一数据段中的相应指标对应的污染物的浓度分指数变化量;
根据每个数据段中的每项指标对应的污染物的浓度分指数变化量,计算每个数据段相对前一数据段的空气质量综合指数变化量。
在一种可能的实现方式中,第一处理模块23,可以用于根据计算每个数据段中的每项指标对应的污染物相对前一数据段中的相应指标对应的污染物的浓度分指数变化量;
其中,Δi为每个数据段中的每项指标对应的污染物i相对前一数据段中的相应指标对应的污染物i的浓度分指数变化量,i=1,2,…6,每个i对应污染物PM10、PM2.5、SO2、NO2、CO、O3中的一种,Ci1为从第一个数据段中第一条污染物i的指标数据到每个数据段中最后一条污染物i的指标数据的均值,Ci0为从第一个数据段中第一条污染物i的指标数据到前一数据段中最后一条污染物i的指标数据的均值,Si为环境空气质量标准中关于污染物i的二级浓度限值。
在一种可能的实现方式中,第一处理模块23,可以用于根据计算每个数据段相对前一数据段的空气质量综合指数变化量;/>
其中,ΔIn为每个数据段相对前一数据段的空气质量综合指数变化量。
在一种可能的实现方式中,第一处理模块23,还可以用于根据每个数据段中的六项指标数据中的各项主要指标数据的变化趋势,确定每个数据段是否出现区域性污染;
按照每个数据段中出现区域性污染的持续天数,对各个数据段中出现的区域性污染进行分类,并统计每类区域性污染出现的总次数;
根据每类区域性污染出现的总次数以及每类区域性污染中数据段对应的空气质量反弹指数大于第一预设阈值的次数,计算每类区域性污染的反弹概率;
在某类区域性污染的反弹概率大于第二预设阈值时,将该类区域性污染记为目标类区域性污染,并根据该目标类区域性污染的反弹概率计算该目标类区域性污染的修正系数;若某个数据段出现区域性污染且属于某一目标类区域性污染,则根据该目标类区域性污染的修正系数、该数据段中的六项指标数据和该数据段的前一数据段中的六项指标数据,计算该数据段相对前一数据段的空气质量综合指数变化量。
在一种可能的实现方式中,第一处理模块23,可以用于针对每个数据段,判断该数据段是否满足预设条件且满足所述预设条件的持续时间大于1天;所述预设条件为数据段中的六项指标数据中至少一项主要指标数据呈升高趋势,且数据段中的空气质量指数数据或任一项主要指标数据大于空气质量等级对应轻度污染时的对应的数据限值;
若该数据段满足所述预设条件且所述持续时间大于1天,则判断目标城市周边的多个城市在目标时段内是否满足所述预设条件,所述目标时段为与所述持续时间相同或与所述持续时间前后存在设定范围的时差的时段;
若目标城市周边的多个城市在目标时段内满足所述预设条件,则确定该数据段出现区域性污染。
在一种可能的实现方式中,第一处理模块23,可以用于根据计算该目标类区域性污染的修正系数;
其中,Wj为第j个目标类区域性污染的修正系数,Pj为第j个目标类区域性污染的反弹概率。
在一种可能的实现方式中,第一处理模块23,可以用于根据该数据段中的六项指标数据中的每项指标数据和前一数据段中的六项指标数据中的每项指标数据,计算该数据段中的每项指标对应的污染物相对前一数据段中的相应指标对应的污染物的浓度分指数变化量;
根据该目标类区域性污染的修正系数对该数据段中的各项主要指标对应的污染物的浓度分指数变化量进行修正,获得该数据段中的每项主要指标对应的污染物的修正浓度分指数变化量;
根据该数据段中的每个修正浓度分指数变化量,以及该数据段中的六项指标中除各项主要指标之外的其他指标对应的污染物的浓度分指数变化量,计算该数据段相对前一数据段的空气质量综合指数变化量。
图3是本发明实施例提供的终端的示意图。如图3所示,该实施例的终端3包括:处理器30、存储器31以及存储在存储器31中并可在处理器30上运行的计算机程序32。处理器30执行计算机程序32时实现上述各个空气质量反弹情况预测方法实施例中的步骤,例如图1所示的步骤101至步骤106。或者,处理器30执行计算机程序32时实现上述各装置实施例中各模块/单元的功能,例如图2所示模块/单元21至26的功能。
示例性的,计算机程序32可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器31中,并由处理器30执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序32在终端3中的执行过程。例如,计算机程序32可以被分割成图2所示的模块/单元21至26。
终端3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端3可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是终端3的示例,并不构成对终端3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器31可以是终端3的内部存储单元,例如终端3的硬盘或内存。存储器31也可以是终端3的外部存储设备,例如终端3上配备的插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器31还可以既包括终端3的内部存储单元也包括外部存储设备。存储器31用于存储计算机程序以及终端所需的其他程序和数据。存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个空气质量反弹情况预测方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质等。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种空气质量反弹情况预测方法,其特征在于,包括:
获取目标城市的历史数据,所述历史数据包括空气质量指数数据、空气污染的六项指标数据和气象数据;
确定每条空气质量指数数据对应的空气质量等级,并根据所述空气质量等级对所述历史数据进行分段;
根据相邻两个数据段中的六项指标数据,计算每个数据段相对前一数据段的空气质量综合指数变化量,作为每个数据段对应的空气质量反弹指数;
根据每个数据段中的气象数据,计算每个数据段对应的气象条件数据;
根据每个数据段和每个数据段对应的空气质量等级、空气质量反弹指数和气象条件数据构成案例库;
将所述案例库中与预测空气质量等级和预测气象条件最相似的数据段对应的空气质量反弹指数作为目标城市的预测空气质量反弹指数。
2.根据权利要求1所述的空气质量反弹情况预测方法,其特征在于,所述根据相邻两个数据段中的六项指标数据,计算每个数据段相对前一数据段的空气质量综合指数变化量,包括:
根据相邻两个数据段中的六项指标数据中的每项指标数据,计算每个数据段中的每项指标对应的污染物相对前一数据段中的相应指标对应的污染物的浓度分指数变化量;
根据每个数据段中的每项指标对应的污染物的浓度分指数变化量,计算每个数据段相对前一数据段的空气质量综合指数变化量。
3.根据权利要求2所述的空气质量反弹情况预测方法,其特征在于,所述根据相邻两个数据段中的六项指标数据中的每项指标数据,计算每个数据段中的每项指标对应的污染物相对前一数据段中的相应指标对应的污染物的浓度分指数变化量,包括:
根据计算每个数据段中的每项指标对应的污染物相对前一数据段中的相应指标对应的污染物的浓度分指数变化量;
其中,Δi为每个数据段中的每项指标对应的污染物i相对前一数据段中的相应指标对应的污染物i的浓度分指数变化量,i=1,2,…6,每个i对应污染物PM10、PM2.5、SO2、NO2、CO、O3中的一种,Ci1为从第一个数据段中第一条污染物i的指标数据到每个数据段中最后一条污染物i的指标数据的均值,Ci0为从第一个数据段中第一条污染物i的指标数据到前一数据段中最后一条污染物i的指标数据的均值,Si为环境空气质量标准中关于污染物i的二级浓度限值。
4.根据权利要求3所述的空气质量反弹情况预测方法,其特征在于,所述根据每个数据段中的每项指标对应的污染物的浓度分指数变化量,计算每个数据段相对前一数据段的空气质量综合指数变化量,包括:
根据计算每个数据段相对前一数据段的空气质量综合指数变化量;
其中,ΔIn为每个数据段相对前一数据段的空气质量综合指数变化量。
5.根据权利要求1所述的空气质量反弹情况预测方法,其特征在于,在根据相邻两个数据段中的六项指标数据,计算每个数据段相对前一数据段的空气质量综合指数变化量,作为每个数据段对应的空气质量反弹指数之后,还包括:
根据每个数据段中的六项指标数据中的各项主要指标数据的变化趋势,确定每个数据段是否出现区域性污染;
按照每个数据段中出现区域性污染的持续天数,对各个数据段中出现的区域性污染进行分类,并统计每类区域性污染出现的总次数;
根据每类区域性污染出现的总次数以及每类区域性污染中数据段对应的空气质量反弹指数大于第一预设阈值的次数,计算每类区域性污染的反弹概率;
在某类区域性污染的反弹概率大于第二预设阈值时,将该类区域性污染记为目标类区域性污染,并根据该目标类区域性污染的反弹概率计算该目标类区域性污染的修正系数;
所述根据相邻两个数据段中的六项指标数据,计算每个数据段相对前一数据段的空气质量综合指数变化量,包括:
若某个数据段出现区域性污染且属于某一目标类区域性污染,则根据该目标类区域性污染的修正系数、该数据段中的六项指标数据和该数据段的前一数据段中的六项指标数据,计算该数据段相对前一数据段的空气质量综合指数变化量。
6.根据权利要求5所述的空气质量反弹情况预测方法,其特征在于,所述根据每个数据段中的六项指标数据中的各项主要指标数据的变化趋势,确定每个数据段是否出现区域性污染,包括:
针对每个数据段,判断该数据段是否满足预设条件且满足所述预设条件的持续时间大于1天;所述预设条件为数据段中的六项指标数据中至少一项主要指标数据呈升高趋势,且数据段中的空气质量指数数据或任一项主要指标数据大于空气质量等级对应轻度污染时的对应的数据限值;
若该数据段满足所述预设条件且所述持续时间大于1天,则判断目标城市周边的多个城市在目标时段内是否满足所述预设条件,所述目标时段为与所述持续时间相同或与所述持续时间前后存在设定范围的时差的时段;
若目标城市周边的多个城市在目标时段内满足所述预设条件,则确定该数据段出现区域性污染。
7.根据权利要求5所述的空气质量反弹情况预测方法,其特征在于,所述根据该目标类区域性污染的反弹概率计算该目标类区域性污染的修正系数,包括:
根据计算该目标类区域性污染的修正系数;
其中,Wj为第j个目标类区域性污染的修正系数,Pj为第j个目标类区域性污染的反弹概率。
8.根据权利要求5所述的空气质量反弹情况预测方法,其特征在于,所述根据该目标类区域性污染的修正系数、该数据段中的六项指标数据和该数据段的前一数据段中的六项指标数据,计算该数据段相对前一数据段的空气质量综合指数变化量,包括:
根据该数据段中的六项指标数据中的每项指标数据和前一数据段中的六项指标数据中的每项指标数据,计算该数据段中的每项指标对应的污染物相对前一数据段中的相应指标对应的污染物的浓度分指数变化量;
根据该目标类区域性污染的修正系数对该数据段中的各项主要指标对应的污染物的浓度分指数变化量进行修正,获得该数据段中的每项主要指标对应的污染物的修正浓度分指数变化量;
根据该数据段中的每个修正浓度分指数变化量,以及该数据段中的六项指标中除各项主要指标之外的其他指标对应的污染物的浓度分指数变化量,计算该数据段相对前一数据段的空气质量综合指数变化量。
9.一种终端,其特征在于,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,执行如权利要求1至8中任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311223795.8A CN117114502A (zh) | 2023-09-21 | 2023-09-21 | 空气质量反弹情况预测方法、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311223795.8A CN117114502A (zh) | 2023-09-21 | 2023-09-21 | 空气质量反弹情况预测方法、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117114502A true CN117114502A (zh) | 2023-11-24 |
Family
ID=88812888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311223795.8A Pending CN117114502A (zh) | 2023-09-21 | 2023-09-21 | 空气质量反弹情况预测方法、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114502A (zh) |
-
2023
- 2023-09-21 CN CN202311223795.8A patent/CN117114502A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107958031B (zh) | 基于融合数据的居民出行od分布提取方法 | |
CN111507533B (zh) | 空气污染物浓度预测方法、装置、电子设备及存储介质 | |
CN112308292A (zh) | 一种火灾风险等级分布图的绘制方法 | |
CN110533239B (zh) | 一种智慧城市空气品质高精度测量方法 | |
CN112285807A (zh) | 一种气象信息预测方法及装置 | |
Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
CN110738354A (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
CN115879630A (zh) | 基于土地利用的碳排放即时表征与预测的方法及装置 | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN113012771A (zh) | 土壤重金属空间插值方法、装置及计算机可读存储介质 | |
CN115860214A (zh) | 一种pm2.5排放浓度的预警方法和装置 | |
CN116776073A (zh) | 一种污染物浓度的评估方法和装置 | |
CN108957594B (zh) | 一种商遥卫星轨道总云量预报修正方法及修正系统 | |
CN115391746B (zh) | 针对气象要素数据的插值方法、装置、电子设备及介质 | |
CN116739172A (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN117114502A (zh) | 空气质量反弹情况预测方法、终端及存储介质 | |
CN115906669A (zh) | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 | |
CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
CN115641498A (zh) | 基于空间多尺度卷积神经网络的中期降水预报后处理订正方法 | |
CN114139408A (zh) | 一种电力变压器健康状态评估方法 | |
CN113537770A (zh) | 一种基于云计算的决策树配置寿命预测的方法及系统 | |
CN116429648B (zh) | 改进的时空LightGBM的地表PM10估算方法 | |
Panneerselvam et al. | ACBiGRU-DAO: attention convolutional bidirectional gated recurrent unit-based dynamic arithmetic optimization for air quality prediction | |
CN115495912A (zh) | 一种台风灾害下的风电场出力曲线模拟生成方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |